Agentic Workflows for Resolving Conflict Over Shared Resources: A Power Grid Application

Dit paper introduceert een domein-agnostisch raamwerk voor het oplossen van conflicten tussen LLM-agenten over gedeelde hulpbronnen via onderhandeling, bemiddeling en procedurele deconflictie, wat wordt gevalideerd in een toepassing op elektriciteitsnetwerken voor het coördineren van kostenoptimalisatie en veerkracht.

De kern

Stel je voor dat een elektriciteitsnetwerk een drukke, moderne stad is. In deze stad werken verschillende "automatische managers" (we noemen ze agenten) die allemaal proberen het stroomverbruik en de opwekking te regelen.

Het probleem is dat deze managers soms ruzie krijgen.

• Manager A (De Bespaarder): Zegt: "We moeten zo goedkoop mogelijk stroom kopen! Laad de batterijen niet op als de stroom duur is, en gebruik de dieselgeneratoren als dat goedkoper is."
• Manager B (De Veiligheidsman): Zegt: "Nee! We moeten altijd reserves hebben voor als er iets misgaat. Laad de batterijen altijd vol en gebruik geen diesel, want die kan uitvallen."

Beide managers hebben gelijk, maar ze kunnen niet allebei hun zin krijgen op hetzelfde moment. Als ze het niet met elkaar kunnen vinden, kan het hele systeem in de war raken.

Dit artikel beschrijft een slimme oplossing voor dit probleem, waarbij kunstmatige intelligentie (AI) wordt ingezet om deze ruzies op te lossen, zonder dat de managers hun geheime plannen hoeven prijs te geven.

De Oplossing: Een AI-Moderator

De auteurs van dit artikel hebben een systeem bedacht waarbij elke manager een AI-assistent krijgt. Deze assistenten praten met elkaar om een compromis te vinden. Ze gebruiken een grote taalmodel (zoals een super-intelligente chatbot) om te redeneren en te onderhandelen.

Het systeem werkt op drie manieren, net zoals je ruzie kunt oplossen in het dagelijks leven:

1. De Twee-Handen-Onderhandeling (Bilaterale Onderhandeling)

De Analogie: Twee buren die ruzie hebben over een muur. Ze stappen naar buiten en praten direct met elkaar.

• Hoe het werkt: De twee AI-assistenten praten rechtstreeks met elkaar. Ze zeggen: "Ik wil dit," en de ander zegt: "Dat kan niet, maar ik doe dit." Ze doen dit een paar keer heen en weer tot ze het eens zijn.
• Voordeel: Het gaat heel snel.
• Nadeel: Soms houden ze te lang vast aan hun eigen standpunt en komen ze er niet uit.

2. De Neutrale Bemiddelaar (Gestructureerde Mediatie)

De Analogie: De twee buren kunnen het niet zelf regelen, dus ze roepen een wijkvoorzitter (de mediator) erbij.

• Hoe het werkt: Beide AI-assistenten vertellen hun wensen aan de wijkvoorzitter. De voorzitter kijkt naar alle voorstellen, berekent een eerlijk compromis en zegt: "Jullie kunnen het beste dit doen."
• Voordeel: Het is gestructureerd en eerlijk. De voorzitter zorgt dat niemand te ver wordt afgeweken van hun doel.
• Nadeel: Het duurt iets langer dan direct praten.

3. De Automatische Regelaar (Procedurele Deconfliction)

De Analogie: Een strakke verkeersregelaar die alleen kijkt naar de regels en de afstanden.

• Hoe het werkt: Er is geen menselijke (of AI) bemiddelaar die "praat". In plaats daarvan gebruikt het systeem een wiskundige formule. Het kijkt naar hoe flexibel elke manager is. Als een manager zegt "Ik doe dit", en de ander zegt "Ik doe dat", rekent het systeem een gemiddelde uit. Als een manager niet meewerkt, krijgt hij minder gewicht in de schaal.
• Voordeel: Het is voorspelbaar en werkt altijd volgens een vast plan.
• Nadeel: Soms is het te star. Als de managers fundamenteel tegenstrijdige ideeën hebben, kan het systeem vastlopen en geen oplossing vinden.

Wat hebben ze ontdekt?

De auteurs hebben dit getest in een simulatie van een elektriciteitsnet met zonnepanelen, batterijen en dieselgeneratoren.

• Snelheid vs. Kwaliteit: De directe onderhandeling (methode 1) was het snelst, maar soms minder eerlijk. De bemiddelaar (methode 2) was het meest stabiel en eerlijk, maar duurde iets langer. De automatische regelaar (methode 3) faalde soms als de meningen te ver uit elkaar lagen.
• Het "Gouden Midden": In alle gevallen kwamen de managers tot een oplossing die beter was dan een simpel "halverwege" compromis. Ze vonden een manier om zowel geld te besparen als de veiligheid te waarborgen.
• Privacy: Een groot voordeel is dat de AI-assistenten niet hoeven te vertellen hoe ze hun berekeningen maken of wat hun geheime doelen zijn. Ze kunnen gewoon zeggen: "Ik kan dit niet doen, maar ik kan dit wel," zonder hun bedrijfsgeheimen prijs te geven.

Conclusie

Dit onderzoek laat zien dat we AI kunnen gebruiken als een slimme tolk en onderhandelaar voor complexe systemen. In plaats van dat ingenieurs voor elke mogelijke ruzie een nieuwe regel moeten schrijven, kunnen we AI-agenten laten praten met elkaar.

Het is alsof we in plaats van een strenge politiechef die alle beslissingen neemt, een team van slimme bemiddelaars hebben die zorgen dat de stroom altijd aan blijft, de kosten laag blijven en niemand ruzie krijgt. Dit maakt onze toekomstige, slimme energienetten veiliger en efficiënter.

Technische samenvatting

Titel: Agente Werkstromen voor het Oplossen van Conflicten over Gedeelde Middelen: Een Toepassing op het Stroomnet

1. Probleemstelling

Moderne cyber-fysische systemen, zoals elektriciteitsnetten, vertrouwen steeds meer op semi-autonome agenten die beslissingen nemen over gedeelde middelen. Met de opkomst van Large Language Model (LLM)-gebaseerde agenten als hoogwaardige besluitvormers, neemt het risico op conflicten toe. Deze agenten kunnen tegenstrijdige acties voorstellen voor dezelfde middelen (bijv. batterijen of generatoren) om verschillende doelen te bereiken (zoals kostenoptimalisatie versus netweerstand).

Traditionele conflictoplossingsmethoden veronderstellen vaak perfecte informatie, centrale controle of gestructureerde agent-architecturen, wat niet werkt in heterogene systemen waar agenten:

• Onafhankelijk zijn ontworpen.
• Privacy-eisen hebben (ze mogen hun interne doelstellingen niet onthullen).
• Gebaseerd zijn op natuurlijke taalredenering in plaats van strikte wiskundige optimalisatie.

Er is dus behoefte aan een raamwerk dat conflicten oplost terwijl de autonomie en vertrouwelijkheid van de individuele agenten behouden blijven.

2. Methodologie

De auteurs presenteren een domein-onafhankelijk raamwerk voor "deconfliction" (conflictvermindering) dat LLM-agenten gebruikt om conflicten over gedeelde middelen op te lossen. Het systeem omvat drie specifieke werkstromen (modi):

• Client Agenten: Elke applicatie (bijv. kostenoptimalisatie of weerstand) wordt omhuld door een LLM-agent. Deze agenten volgen ontwerpprincipes zoals:

  • Scheiding van belangen: De agent is losgekoppeld van de onderliggende applicatielogica.
  • Communicatie onder privacy: Agenten onderhandelen zonder hun interne doelstellingsfuncties of beperkingen prijs te geven.
  • Chain-of-Thought (CoT): Agenten gebruiken een gestructureerd redeneerproces om voorstellen te genereren en te onderhandelen.

• Drie Deconfliction Modi:

  1. Bilaterale Onderhandeling: Agenten onderhandelen direct met elkaar, wisselen aanbiedingen en tegenaanbiedingen uit totdat een akkoord is bereikt.
  2. Gestructureerde Mediator: Een neutrale mediator-agent coördineert de onderhandeling. Deze verzamelt voorstellen, evalueert conflicten en stelt compromisvoorstellen voor via een iteratief consensusmechanisme.
  3. Procedurale (Deterministische) Deconfliction: In plaats van een mediator-agent wordt een deterministische "deconflictor" gebruikt. Deze berekent iteratief een gewogen centroid (middelpunt) van de voorstellen. De gewichten worden dynamisch aangepast op basis van de flexibiliteit die een agent toont (hoeveel een agent afwijkt van zijn oorspronkelijke voorstel).

• Iteratief Gewogen Consensus: Het systeem gebruikt een mechanisme waarbij agenten hun voorstellen aanpassen zonder zelf complexe optimalisatieproblemen op te hoeven lossen. De agenten gebruiken hulpmiddelen om een "optimale compromis" te berekenen binnen een bepaald straal (flexibiliteitsparameter) rondom hun oorspronkelijke doel.

3. Belangrijkste Bijdragen

1. Domein-onafhankelijk raamwerk: Een formulering die applicaties behandelt als abstracte agenten met drie concrete modi voor conflictvermindering, elk met specifieke workflows.
2. Ontwerpprincipes voor LLM-agenten: Een formele definitie van Chain-of-Thought (CoT) prompts die agenten in staat stellen om te onderhandelen zonder hun interne logica te onthullen.
3. Vergelijkende analyse: Een uitgebreide evaluatie van de drie modi (bilateraal, mediator, procedueel) in een elektriciteitsnet-case study, gemeten op consensus-traject, resolutievector en afwijking van optimale baselines.

4. Case Study en Resultaten

De methode werd getest op een IEEE 123-bus testnet met zeven verdeelde energiebronnen (DER's), waaronder dieselgeneratoren (DG), zonnepanelen (PV) en batterijopslagsystemen (BESS).

• Scenario: Twee agenten streden om de controle:
  • Kosten-agent: Wil diesel genereren en batterijen ontladen wanneer stroomprijzen hoog zijn om kosten te minimaliseren.
  • Weerstands-agent: Wil diesel generatie minimaliseren en batterijen opladen om reserves te behouden.
• Resultaten per Modus:
  • Bilaterale Onderhandeling: Bereikte consensus het snelst (5 rondes). De agenten maakten strategische compromissen en convergeerden naar een oplossing met nul diesel en matige batterijontlading.
  • Gestructureerde Mediator: Vereiste 9 rondes. De mediator paste gewichten dynamisch aan op basis van samenwerking.
  • Procedurale Deconfliction: Faalde in sommige trials om binnen de limiet van 10 rondes tot consensus te komen omdat de agenten fundamenteel onverenigbare posities innamen (de weerstands-agent weigerde over te schakelen van opladen naar ontladen).
• Prestatievergelijking:
  • Alle methoden presteerden beter dan een eenvoudige "centroïde-baseline" (een willekeurige gemiddelde van de startvoorstellen).
  • Pareto-efficiëntie: Bilaterale onderhandeling bereikte vaak de Pareto-grens (geen enkele agent kan beter worden zonder de ander slechter te maken), maar vertoonde hoge variatie en minder eerlijkheid.
  • Consistentie en Eerlijkheid: De methoden met meer structuur (mediator/procedueel) leverden consistentere en eerlijkere uitkomsten op, maar ten koste van iets minder Pareto-efficiëntie.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat LLM-agenten effectief kunnen worden ingezet om conflicten in complexe, gedeelde omgevingen op te lossen zonder dat ze hun interne logica hoeven prijs te geven.

• Flexibiliteit: Het raamwerk ondersteunt zowel numerieke als niet-numerieke beslissingen en is toepasbaar op diverse domeinen.
• Trade-off: Er is een duidelijke afweging tussen de snelheid en efficiëntie van de oplossing (favoriet voor bilaterale onderhandeling) en de consistentie en eerlijkheid van het resultaat (favoriet voor gestructureerde methoden).
• Toekomstperspectief: Verdere optimalisatie van prompts en constraints kan de Pareto-efficiëntie van de gestructureerde methoden verbeteren, waardoor het mogelijk wordt om zowel lage variantie als hoge efficiëntie te bereiken.

Kortom, dit werk biedt een praktische oplossing voor de integratie van AI-agenten in kritieke infrastructuur, waar veiligheid, privacy en samenwerking essentieel zijn.